随着科学文献的爆炸性增长，研究人员面临的一个重大挑战是如何高效地跟踪最新进展并提出有意义的研究方向。近期，大语...

视觉偏好对齐涉及训练大型视觉 - 语言模型（LVLMs）以预测人类对视觉输入的偏好。现有的方法主要设计用于单图...

大语言模型在自然语言处理领域取得了显著成就，但在语音任务中的应用仍然面临诸多挑战。特别是，如何有效地整合音频和...

随着开源模型的快速发展，针对特定工业或开源应用在自定义数据集上训练（或微调）模型已成为开发解决方案的关键步骤。...

Segment Anything Model 2 (SAM 2) 是一个在图像和视频对象分割领域表现出色的基础...

检索增强生成（RAG）作为一种有效补充大语言模型（LLMs）的技术手段，近年来受到了广泛关注。然而，RAG 在...

百川对齐（Baichuan Alignment）是对百川系列模型所采用的对齐技术进行的一次详尽剖析。作为业内首...

Meta 公司与卡内基梅隆大学及加州大学伯克利分校的研究团队共同发布了一项创新成果——Agent-to-Sim...

视觉语言模型（Vision Language Models，简称 VLMs）在多模态任务中表现出色，但其推理能...

知识蒸馏（Knowledge Distillation，简称 KD）是一种常用的技术，用于训练小型、高性能的学...

大语言模型（LLMs）的高计算成本促使研究人员探索各种压缩方法，如量化、稀疏化和结构化修剪。这些方法旨在减少模...

Salesforce AI 研究所推出一种用于视频的多模态语言模型 xGen-MM-Vid（BLIP-3-Vi...